Recursion 递归 ⛵Data Structures and Algorithms⚓

本文详细介绍了递归的概念、类型和应用,包括递归的基本思想、递归调用的内存栈操作、尾递归、非尾递归、间接递归、嵌套递归和不合理递归。特别地,通过八皇后问题阐述了回溯算法的原理和解决思路,展示了递归在解决复杂问题中的重要作用。

Recursion 递归

程序调用自身的编程技巧称为递归recursion)。 一个过程或函数在其定义或说明中有直接或间接调用自身的一种方法,它通常把一个大型复杂的问题层层转化为一个与原问题相似的规模较小的问题来求解,递归策略只需少量的程序就可描述出解题过程所需要的多次重复计算,大大地减少了程序的代码量。
递归的基本思想,是把规模较大的一个问题,分解成规模较小的多个子问题去解决,而每一个子问题又可以继续拆分成多个更小的子问题。
递归的能力在于用有限的语句来定义对象的无限集合。一般来说,递归需要有边界条件、递归前进段和递归返回段。当边界条件不满足时,递归前进;当边界条件满足时,递归返回。

Recursion 图解

在程序每次执行时,内存给程序开辟一个运行时栈,无论是主函数 main() 还是其他函数调用,都会在运行时栈中建立活动记录。起初,主函数 main() 压入运行时栈,假定,主函数 main() 调用函数 f1(),函数 f1() 压入运行时栈,函数 f1() 调用函数 f2(),函数 f2() 压入运行时栈,函数 f2() 调用函数 f3(),函数 f3() 压入运行时栈。
若函数 f3() 正在运行,当函数 f3() 运行结束,函数 f3() 弹出运行时栈,当函数 f2() 运行结束,函数 f2() 弹出运行时栈,当函数 f1() 运行结束,函数 f1() 弹出运行时栈,当主函数 main() 运行结束,函数 main() 弹出运行时栈,程序执行结束。
在这里插入图片描述
Recursion 其实就是重复的调用函数本身,如重复的调用函数 f1(),直到 f1() 不在压入运行时栈,运行时栈从栈顶陆续弹出 函数 f1()

Tail Recursion 尾递归

尾递归:在每个函数实现的末尾只使用一个递归调用。也就是说,当进行调用时,函数中没有其他剩余的语句要执行;递归调用不仅是最后一条语句,而且在这之前也没有其他直接或者间接的递归调用。
例如,函数 tail() 定义如下:

void tail(int i) {
   
   
	if (i > 0) {
   
   
		std::cout << i << ' ';
		tail(i - 1);
	}
}

尾递归只是一个变形的循环,很容易用循环来替换。tail() 可以用一个迭代函数来代表:

void iterTail(int i) {
   
   
	for (; i > 0; i--) {
   
   
		std::cout << i << ' ';
	}
}

Non-tail Recursion 非尾递归

非尾递归 =! 尾递归
如,非尾递归可以实现栈的操作:

void reverse() {
   
    /* 将输入行以相反的顺序输出 */
	char ch;
	std::cin.get(ch);

	if (ch != '\n') {
   
   
		reverse();
		std::cout.put(ch);
	}
}

Indirect Recursion 间接递归

间接递归:函数 f() 可以通过一系列其他调用来间接地调用自身(中间链不限

  • 函数 f() 调用函数 g(), 函数 g() 调用函数 f()
    • f() -> g() -> f()
    • f() -> g() -> h() -> j()… -> z() -> f()

Nested Recursion 嵌套递归

嵌套递归:该调用函数作为参数进行下一环节的调用(嵌套不限
h ( n ) = { 0 n = 0 n n > 4 h ( 2 + h ( 2 n ) ) n < = 4 h(n)=\begin{cases} 0 & n = 0 \\ n & n > 4 \\ h(2 + h(2n)) & n <= 4 \end{cases} h(n)=

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值